風(fēng)電功率預(yù)測模型

1、第一頁答卷編號:論文題目：A題風(fēng)電功率預(yù)測問題指導(dǎo)教師:參賽學(xué)校:報名序號:證書郵寄地址：（學(xué)校統(tǒng)一組織的請?zhí)顚懾?fù)責(zé)人）第二頁答卷編號:閱卷專家1閱卷專家2閱卷專家3論文等級A題風(fēng)電功率預(yù)測問題摘要風(fēng)能是一種可再生、清潔的能源，風(fēng)力發(fā)電技術(shù)的進一步研究和開發(fā)對解決 能源危機、緩解環(huán)境壓力以及提升經(jīng)濟發(fā)展水平具有重大的意義。據(jù)此，本文通過建立一系列數(shù)學(xué)模型來研究和探索風(fēng)電功率的預(yù)測以及提高預(yù)測精度問題。針對第一問，本文提出指數(shù)平滑法、小波神經(jīng)網(wǎng)絡(luò)以及時間序列ARMA三種預(yù)測模型對風(fēng)電功率進行預(yù)測。指數(shù)平滑法采用平滑公式為：、 歿1 (1 )St1,01* 3,通過調(diào)整平滑參數(shù) 來優(yōu)化預(yù)測精度；小

2、波神經(jīng)網(wǎng)絡(luò)采用的小波基函數(shù)為 Morlet母小波基函數(shù)，小波神經(jīng)修正采用梯度修 正法；ARMA模型通過確定自回歸階數(shù)和移動平均階數(shù)來構(gòu)造預(yù)測表達(dá)式。結(jié) 果為：指數(shù)平滑法小波神經(jīng)網(wǎng)絡(luò)ARMR合格率0.9270.7190.947準(zhǔn)確率0.7210.6880.876MSE0.0760.570.194針對第二問，本文在第一問所求結(jié)果的基礎(chǔ)上，使用嫡值賦權(quán)法對三種模型進行歸一化處理，所得權(quán)值向量為w (0.3246,0.3344,0.341),得到一組基于以上三種模型的預(yù)測數(shù)據(jù)。使用擬合與聚類分析得出單機系統(tǒng)對多機系統(tǒng)P4的相關(guān)性高于對總機系統(tǒng)的相關(guān)性，據(jù)此，使用基于李雅普諾夫中心極限定理的通過假設(shè)相對

3、誤差小于題目要求的概率模型，求得單機組和多機組的通過檢驗概率為：、坦組 屬性ABCDP4P58通過概率77.64%62.17%78.23%77.94%77.94%80.0%最后得出普遍性規(guī)律為：由于多機預(yù)測較精確，可以用多機系統(tǒng)的預(yù)測結(jié)果對單 機進行預(yù)測。修正單機系統(tǒng)預(yù)測所帶來的相對誤差，提高精度。針對問題三，本文建立基于遺傳算法的 ARMA模型，對ARMA模型的階數(shù) 進行優(yōu)化。定義平均相對變動值( ARTD),并令遺傳算法的適應(yīng)度函數(shù)為：f(x) 。最后得到具有更高預(yù)測精度的模型。具體指標(biāo)值如下表:ARTD機組 屬性ABCDP4準(zhǔn)確率(單位：%)88.085.684.887.490.493.

4、4合格率(單位：%)95.294.695.095.199.099.5本文提出的模型對風(fēng)電功率的預(yù)測具有重大的借鑒意義，并可將其模型推廣應(yīng)用 至工程預(yù)測、股票分析、生產(chǎn)計劃等問題上。關(guān)鍵字：風(fēng)電功率預(yù)測、時間序列、指數(shù)平滑法、小波神經(jīng)網(wǎng)絡(luò)、遺傳算法1問題重述1. 1問題背景根據(jù)百度百科，“風(fēng)”是“跟地面大致平行的空氣流動，是由于冷熱氣壓 分布不均勻而產(chǎn)生的空氣流動現(xiàn)象”。風(fēng)能是一種可再生、清潔的能源，風(fēng)力發(fā)電是最具大規(guī)模開發(fā)技術(shù)經(jīng)濟條件的非水電再生能源?，F(xiàn)今風(fēng)力發(fā)電主要利用的是近地風(fēng)能。近地風(fēng)具有波動性、間歇性、低能量密度等特點，因而風(fēng)電功率 也是波動的。大規(guī)模風(fēng)電場接入電網(wǎng)運行時，大幅度地風(fēng)電

5、功率波動會對電網(wǎng)的 功率平衡和頻率調(diào)節(jié)帶來不利影響。 如果可以對風(fēng)電場的發(fā)電功率進行預(yù)測，電力調(diào)度部門就能夠根據(jù)風(fēng)電功率變化預(yù)先安排調(diào)度計劃，保證電網(wǎng)的功率平衡和運行安全。因此，如何對風(fēng)電場的發(fā)電功率進行盡可能準(zhǔn)確地預(yù)測，是急需解決的問題。根據(jù)電力調(diào)度部門安排運行方式的不同需求， 風(fēng)電功率預(yù)測分為日前預(yù)測和 實時預(yù)測。日前預(yù)測是預(yù)測明日24小時96個時點（每15分鐘一個時點）的風(fēng) 電功率數(shù)值。實時預(yù)測是滾動地預(yù)測每個時點未來 4小時內(nèi)的16個時點（每15 分鐘一個時點）的風(fēng)電功率數(shù)值。在附件1國家能源局頒布的風(fēng)電場功率預(yù)測預(yù) 報管理暫行辦法中給出了誤差統(tǒng)計的相應(yīng)指標(biāo)。并得知某風(fēng)電場由58臺風(fēng)電

6、機組構(gòu)成，每臺機組的額定輸出功率為 850kWo附件2中給出了 2006年5月10 日至2006年6月6日時間段內(nèi)該風(fēng)電場中指定的四臺風(fēng)電機組（A、B、C、D） 輸出功率數(shù)據(jù)（分別記為PA, PB, PC, PD;另設(shè)該四臺機組總輸出功率為 P4） 及全場58臺機組總輸出功率數(shù)據(jù)（記為 P58）。2需要解決的問題問題一：風(fēng)電功率實時預(yù)測及誤差分析請對給定數(shù)據(jù)進行風(fēng)電功率實時預(yù)測并檢驗預(yù)測結(jié)果是否滿足附件1中的關(guān)于預(yù)測精度的相關(guān)要求。具體要求：1）采用不少于三種預(yù)測方法（至少選擇一種時間序列分析類的預(yù)測方法）；2）預(yù)測量：a. PA, PB, PC, PD;b. P4;c. P58。3）預(yù)測時間

7、范圍分別為（預(yù)測用的歷史數(shù)據(jù)范圍可自行選定）：5月31日0時0分至5月31日23時45分；25月31日0時0分至6月6日23時45分。4）試根據(jù)附件1中關(guān)于實時預(yù)測的考核要求分析你所采用方法的準(zhǔn)確性；5）你推薦哪種方法？問題二：試分析風(fēng)電機組的匯聚對于預(yù)測結(jié)果誤差的影響在我國主要采用集中開發(fā)的方式開發(fā)風(fēng)電， 各風(fēng)電機組功率匯聚通過風(fēng)電場 或風(fēng)電場群（多個風(fēng)電場匯聚而成）接入電網(wǎng)。眾多風(fēng)電機組的匯聚會改變風(fēng)電 功率波動的屬性，從而可能影響預(yù)測的誤差。在問題1的預(yù)測結(jié)果中，試比較單臺風(fēng)電機組功率（PA, PB, PC, PD）的 相對預(yù)測誤差與多機總功率（P4, P58）預(yù)測的相對誤差，其中有什么

8、帶有普遍 性的規(guī)律嗎？從中你能對風(fēng)電機組匯聚給風(fēng)電功率預(yù)測誤差帶來的影響做出什 么樣的預(yù)期？問題3:進一步提高風(fēng)電功率實時預(yù)測精度的探索提高風(fēng)電功率實時預(yù)測的準(zhǔn)確程度對改善風(fēng)電聯(lián)網(wǎng)運行性能有重要意義。請你在問題1的基礎(chǔ)上，構(gòu)建有更高預(yù)測精度的實時預(yù)測方法（方法類型不限），并用預(yù)測結(jié)果說明其有效性。通過求解上述問題，請分析論證阻礙風(fēng)電功率實時預(yù)測精度進一步改善的主要因 素。風(fēng)電功率預(yù)測精度能無限提高嗎？2模型假設(shè)1、每臺機組的額定輸出功率為850kW 02、只根據(jù)歷史數(shù)據(jù)進行預(yù)測，不考慮歷史風(fēng)速、具體位置等客觀因素的影響。3、初始數(shù)據(jù)來源真實、可靠。4、忽略儲能設(shè)備和人為因素帶來對數(shù)據(jù)真實性的影

9、響。3符號說明Xi :風(fēng)電功率實際點數(shù)據(jù)值Si :風(fēng)電功率平滑點數(shù)據(jù)值 t：任意時刻st： t時刻的風(fēng)電功率平滑點數(shù)據(jù)值er(FPk)PMkPpk定義預(yù)測值Ppk的相對誤差PMk.AVG(eup) pMk一包,(iA,B,C,D.,k 1,2,.,96)定義單電機平均相對誤差R：相關(guān)系數(shù)MSE：均方根誤差4問題分析問題一分析：本小問要求根據(jù)給定的風(fēng)電機組功率的相關(guān)數(shù)據(jù)，運用不少于三種方法(至少一種時間序列分析類的預(yù)測方法) 構(gòu)造風(fēng)電功率預(yù)測模型。由于近地風(fēng)的波動 性與間歇性等特性決定了風(fēng)電功率的波動性與隨機性，也使得風(fēng)電功率預(yù)測不能簡單的利用回歸模型進行擬合預(yù)測。模型一中風(fēng)電功率的預(yù)測將基于指

10、數(shù)平滑法實現(xiàn)。根據(jù)最近的一個歷史數(shù)據(jù) 來擬合下一時刻的預(yù)測值，是最為傳統(tǒng)的方法也是最為簡單實現(xiàn)的方法1。而指數(shù)平滑法的基本思想是利用當(dāng)前周期的指標(biāo)和前面的指標(biāo)來預(yù)測下一個周期的 指標(biāo)，其根據(jù)參數(shù)對每個數(shù)據(jù)賦予不同的權(quán)重， 從而獲得更好的擬合曲線和預(yù)測 結(jié)果2。它是一種基于移動平均法基礎(chǔ)上對權(quán)數(shù)加以改進，使其在處理時較為經(jīng) 濟的預(yù)測方法，它能提供良好的短期預(yù)測，在經(jīng)濟學(xué)中廣泛應(yīng)用于生產(chǎn)和股票的 預(yù)測。觀察到各機組的實際功率與時間的變化圖形，我們可以觀察到，風(fēng)電發(fā)電機 組該時刻的功率與前幾個時間點的相關(guān)性很高，說明了在風(fēng)電機組功率變化中， 某時刻的實際功率與本機組前幾個時間點的功率值有一定的關(guān)系，

11、而且風(fēng)電功率在24小時內(nèi)有準(zhǔn)周期的性質(zhì)。根據(jù)這一性質(zhì)，模型二可以將基于小波神經(jīng)網(wǎng)絡(luò) 對其進行預(yù)測。如若將預(yù)測指標(biāo)隨時間推移而形成的數(shù)據(jù)序列看作是一個隨機序列，這組隨 機變量所具有的依存關(guān)系體現(xiàn)著原始數(shù)據(jù)在時間上的延續(xù)性。一方面，外界因素的影響，另一方面，又有自身變動規(guī)律。因此，模型三引入ARMA1型對風(fēng)電功率進行實時預(yù)測。問題二分析：本小問要求在第一問所得預(yù)測結(jié)果的基礎(chǔ)上，分析風(fēng)電機組的匯聚對于預(yù)測 結(jié)果誤差的規(guī)誤差的影響以及探索單臺風(fēng)電機組功率的相對誤差與多機總功率 預(yù)測的相對誤差的普遍性規(guī)律?？煞譃閮刹竭M行。首先，研究單機組系統(tǒng)和多機組系統(tǒng)的相關(guān)性。根據(jù)一般規(guī)律，單臺機組(A,B,C, D

12、 )與P4機組(由A, B,C, D機組組成的多機系統(tǒng))的相關(guān)性應(yīng)高于與Pss機組(即總機組)的相關(guān)性，可使用擬合的 R值檢驗和聚類分析進行驗證。在此基礎(chǔ)上，并依據(jù)李雅普諾夫中心極限定理求解概率的思想，求解單臺機組和多臺機組通過國家能源局所規(guī)定要求的概率，通過對比單機組和多機組通過檢驗的概率，推測最后，給出具體的普遍性規(guī)律。問題三分析：由于ARMA(p,q)模型的定階過程存在一定的隨機性和不確定性，為此，綜合 考慮模型的各種制約因素，可嘗試使用遺傳算法對自回歸階數(shù)以及移動平均階數(shù) 進行優(yōu)化，建立基于遺傳算法的ARMA(p,q)模型，使其具有更高實時預(yù)測精度。5模型建立與模型求解問題一求解：模型

13、一：指數(shù)平滑法模型一的建立：單指數(shù)平滑具有一個平滑參數(shù)。分析本題所給數(shù)據(jù)無明顯的變化趨勢， 適合 用單指數(shù)平滑方法進行預(yù)測。本模型將縱向進行擬合，利用每一天同一時刻的數(shù) 據(jù)擬合下一天的該時刻的預(yù)測值。平滑公式，方法及預(yù)測公式介紹：(1)平滑公式：t時刻的平滑值8t公式如下：(1)stxt 1 (1)St 1,01,t 3(1)(2)初始化單指數(shù)的平滑起點是S2,有兩種方法初始化S2, 一種是X1,另一種是取實際 前4個或5個值的平均值。本模型采用第一種方法進行初始化。(3)預(yù)測公式：t 1時刻的平滑指數(shù)公式為：St1歿(1 )St,01,t3(2t i時刻的平滑指數(shù)公式為：Wixt (1 )S

14、t i1,01,t3g其中i表示所進過的時刻點。結(jié)合(2) (3)式，可以對平滑公式進行擴展可得基本的平滑公式為:Axt i (1)xt 2 (1)28t 2對(4)式進行遞歸直到與，可得下面公式:t 3i 1(1) X i (1)t 2s 2,t 2i 1i 1 .其中權(quán)重(1 )呈幾何遞減，可以直到較早的數(shù)據(jù)權(quán)重相對較少，而較近的 數(shù)據(jù)權(quán)重相對較大。(4)平滑參數(shù)確定指數(shù)平滑模型擬合程度和預(yù)測結(jié)果的好壞取決于平滑參數(shù)的選取。大多數(shù)情況下指數(shù)平滑預(yù)測的參數(shù)主要依靠經(jīng)驗。 通常，當(dāng)時間序列波動很大，長期趨 勢變化幅度較大，呈明顯迅速的上升或下降趨勢時， 宜選擇較大的 值，可以在 0.60.8問

15、選值，提高預(yù)測模型的靈敏程度，能迅速跟上數(shù)據(jù)的變化 3o本模型將經(jīng)驗法和試算法兩者相結(jié)合，并利用MSE (Mean of the Squared ErrorsMSE均方誤差指標(biāo)進行參數(shù)的選取。定義如下：MSE(6)其中n為數(shù)據(jù)點得個數(shù)。MSE的值越小，說明模型擬合程度越好，所選取的平滑參數(shù)越合適模型一的求解：本指數(shù)滑動模型在數(shù)據(jù)處理預(yù)測方面比較特殊，將選取5月10日5月30日的數(shù)據(jù)進行縱向?qū)崟r預(yù)測未來7天每個時刻的風(fēng)電功率情況。(1)平滑指數(shù)的確定利用經(jīng)驗法和試算法相結(jié)合，在 0.60.08之間選取平滑參數(shù)，確定比較各平滑參數(shù)的MSE值，進而確定 參數(shù)進行預(yù)測。首先選取機組 A的數(shù)據(jù)進行 指數(shù)

16、滑動擬合，利用 matlab可以得到各參數(shù)相對應(yīng)風(fēng)電功率預(yù)測的準(zhǔn)確率，合格率及MSE如下表一所示：表一指數(shù)滑動的風(fēng)電功率預(yù)測的數(shù)據(jù)分析結(jié)果、參數(shù) 屬性(;、0.60.70.8f一周f一周f一周6準(zhǔn)確率72.1068.4970.0167.2167.7365.82合格率92.7180.2193.7579.0293.7578.123M S E7.6433.396.8935.1205.7837.23由表各項指標(biāo)可知道：a）隨著平滑參數(shù)的增大，雖然其準(zhǔn)確率和合格率有遞減趨勢，但是變化基本相差不大。并且準(zhǔn)確率都在70%左右，合格率有70%以上均方誤差都比較少。 說明該指數(shù)平滑預(yù)測模型基本適合作為風(fēng)電功率的

17、預(yù)測。b）表一中存在著個別均方誤差較大的點， 而且最后一天的合格率和準(zhǔn)確率的值 都比較小，說明該模型值適合短期預(yù)測，不適合中長期預(yù)測。c）比較各平滑參數(shù)的MSE值，有0.60.70.8。因此，選取MSE值較少的參數(shù) 0.6,將減少模型預(yù)測的誤差，使預(yù)測結(jié)果更加合理。（2）指數(shù)平滑模型的求解：由上一步確定平滑指數(shù)=0.6,則通過matlab編程（具體程序見附錄）可實現(xiàn) 5月31日到6月6日的實時預(yù)測。機組A預(yù)測部分結(jié)果如下表二所示：表二 機組A的部分風(fēng)電功率原始值與預(yù)測值：（時刻15）同2011-5-312011-6-12011-6-22011-632011-6-42011-652011-6-6

18、原預(yù)原預(yù)原預(yù)原預(yù)原預(yù)原預(yù)原預(yù)時 刻始測始測始測始測始測始測始測值值值值值值值值值值值值值值1249435213243425973125417223963617668859529384491332355470340113361363017023622152336353417431352773323:49149:435945169443933142844334943244815387524282685136331561465339507964063022208426941915833314412146準(zhǔn)確0.720.740.750.720.720.780.36率合格0.930.840.910.89

19、0.771.000.27率M0.070.041.450.070.540.050.09SE7注：另部分機組數(shù)據(jù)見附錄。分析上表：a）由上表可知機組A每天預(yù)測的準(zhǔn)確率，合格率均接近于70%,基本上滿足 國家能源局文件風(fēng)電場功率預(yù)測預(yù)報管理暫行方法的要求。b）時刻89中的預(yù)測效果差，原因是原始數(shù)據(jù)存在負(fù)數(shù)，并且與上一時刻的 差值較大，進而影響下一時刻的預(yù)測值，使預(yù)測值的擬合效果差。進一步通過matlab畫圖可得原始數(shù)據(jù)與預(yù)測數(shù)據(jù)的圖像如下圖一所示：*博助罩 一辦事劍憂組5味涌串三“海上,革內(nèi)IX! 皿 3,l! 4JL EiQD bUD ?tC 機組A機組B機組C機組P4機組D機組P*博助罩 一辦事

20、劍憂組5味涌串三“海上,革內(nèi)IX! 皿 3,l! 4JL EiQD bUD ?tC 機組A機組B機組C機組P4機組D機組P58圖一各機組風(fēng)風(fēng)電功率原始數(shù)據(jù)與預(yù)測數(shù)據(jù)圖像由上圖分析可知：a）觀察上圖，預(yù)測值圖像基本和原始值圖像趨勢基本吻合，效果較回歸擬合 的好。能反應(yīng)風(fēng)電功率的波動性。b)預(yù)測值圖像相對原始值圖像有滯后性，在峰值處的誤差比較大，模型存在著一定缺陷。由上述圖表分析可得指數(shù)平滑模型雖然在預(yù)測風(fēng)電功率上較容易實現(xiàn)，可是存在的誤差相對較大，并且預(yù)測效果不穩(wěn)定，滯后性較大。這從一定程度上說 明了指數(shù)平滑模型只是基本適用于風(fēng)電功率的預(yù)測，必須通過修正才能應(yīng)用于 實際。模型二：基于小波神經(jīng)網(wǎng)絡(luò)

21、的時間序列預(yù)測模型的準(zhǔn)備：(1)小波理論小波分析是針對傅立葉變換的不足發(fā)展而來的，傅立葉變換是數(shù)據(jù)處理領(lǐng)域 中應(yīng)用比較廣泛的一種分析手段，然后它有一個嚴(yán)重不足，就是變換拋棄了時間 信息，變換結(jié)果無法判斷某數(shù)據(jù)發(fā)生的時間，即傅立葉變換在時域中沒有分辨能力，小波是一種長度有限，均值為 0的波形。(2)小波神經(jīng)網(wǎng)絡(luò)小波神經(jīng)網(wǎng)絡(luò)4是一種以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱 含層節(jié)點的傳遞函數(shù)，信號前向傳播的同時誤差方向傳播的神經(jīng)網(wǎng)絡(luò)。其原理是將輸入?yún)?shù)經(jīng)過隱含層小波神經(jīng)網(wǎng)絡(luò)權(quán)值加權(quán)后根據(jù)小波基函數(shù)進行 運算。在信號序列為“。12.2時，隱含層輸出計算公式為kWij x bjh(j) hj

22、ajbj為小波基函數(shù)的平移因子; 本模型采用的小波基函數(shù)為其中h(j)為隱含層第j個節(jié)點輸出值；Wbj為小波基函數(shù)的平移因子; 本模型采用的小波基函數(shù)為aj為小波基函數(shù)的伸縮因子；hj為小波基函數(shù);Morlet母小波基函數(shù)，數(shù)學(xué)公示為：x2cos(1.75)e2小波神經(jīng)網(wǎng)絡(luò)的輸出層計算公式為:my(k)Wikh(i)k ik 1,2,m其中Wik為隱含層到輸出層權(quán)值；h(i)為第i個隱含層節(jié)點的輸出;為隱含層節(jié)節(jié)點數(shù)目；m為輸出層節(jié)點數(shù)目。(3)小波神經(jīng)修正小波神經(jīng)網(wǎng)絡(luò)權(quán)值參數(shù)修正算法類似與 BP神經(jīng)網(wǎng)絡(luò)權(quán)值修正算法，采用梯 度修正法修正網(wǎng)絡(luò)的權(quán)值和小波基函數(shù)參數(shù)，從而使小波神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不

23、斷 接近期望輸出。具體修正過程：a)計算網(wǎng)絡(luò)預(yù)測誤差m(10)e yn(k) y(k) k 1(10)其中，yn(k)為期望輸出；y(k)為小波神經(jīng)網(wǎng)絡(luò)的預(yù)測值。b)根據(jù)預(yù)測誤差e修正小波神經(jīng)網(wǎng)絡(luò)權(quán)值及其系數(shù)。 TOC o 1-5 h z (i.j) j(i,j)Wn,kWn,kWn,k(i，j) i(i，j)ak ak an,k(i，j) i(i，j)bk bk bn,k根據(jù)網(wǎng)絡(luò)預(yù)測誤差計算可得到上式結(jié)果如下：(i,j)eWn,k (TWn，k(i, j)eak=0.75sum=sum+1;endendp(i)=sum/96;end%均方誤差R=zeros(7,1);A1=A(22:28,:

24、);B1=B(22:28,:);a=0;for i=1:7for j=1:96a=(A1(i,j)-B1(i,j)/A1(i,j)A2)+a;endendR=sqrt(a/(96*7);%畫圖與排序pailieA=zeros(1,96*7);for i=1:7n=96*(i-1)+1;m=96*i;pailieA(1,n:m)=A1(i,:);26endpailieB=zeros(1,96*7);for i=1:7n=96*(i-1)+1;m=96*i;pailieB(1,n:m)=B1(i,:);endj=1:672;plot(j,pailieA,-b,j,pailieB,-r);title

25、(機組A實際功率與預(yù)測功率對比圖);xlabel(時間點);ylabel(功率(kw );%A的遺傳算法適應(yīng)度函數(shù)function y=fitfun(p,q) load AA.txt;load A.txt;x=randint(1,6);p=x(1)A2+x(2)+x(3)A0;q=x(4)A2+x(5)+x(6)A0;AAA(1:2016)=AA;AAA(2017:2016+96)=A;n,m=size(AAA);se=AAA;zeros(n*m,1);data=iddata(se);m=armax(data,na,p,nc,q);pa=predict(m,data);y=0;sa=get(p

26、a,outputdata);for i=1:96y=y+(AAA(2016+i)-sa(2016+i)A2/(AAA(2016+i)A2); end y=1/(y/100);%ARMA模型求解程序function p,q,err=pingjiaa,t,d,n1,m1%p為合格率，q為準(zhǔn)確率，t為機組個數(shù)%d為預(yù)測天數(shù)，a為實際序列 %n1為自回歸階數(shù)，m1移動平均階數(shù) a=AAA;t=1;d=1;n=length(a);se=a;zeros(n,1);data=iddata(se);m=armax(data,na,n1,nc,m1);pa=predict(m,data);27 yc=get(p

27、a,outputdata);sum=0;for i=1:96*dif (1-(a(i+2016)-yc(i+2016)/(t*850)=0.75 sum=sum+1;endendp=sum/(96*d);% 合格率sum1=0;for i=1:96*dsum1=sum1+(a(i+2016)-yc(i+2016)/(t*850)A2;endq=1-(sum1/(96*d)A(1/2);% 準(zhǔn)確率%相對誤差err=0;for i=1:96*dif a(i)0&yc(i)0err=err+(abs(a(i)-yc(i)/max(a(i),yc(i)A2;endenderr=sqrt(err/(96

28、*d);%小波神經(jīng)網(wǎng)絡(luò)程序主程序：M=4; %輸入節(jié)點個數(shù)N=1; %輸出節(jié)點個數(shù)n=6; %隱形節(jié)點個數(shù)lr1=0.01; % 學(xué)習(xí)概率lr2=0.001; % 學(xué)習(xí)概率煙值初始化Wjk=randn(n,M);Wij=randn(N,n);a=randn(1,n);b=randn(1,n);姬點初始化y=zeros(1,N);net=zeros(1,n);net_ab=zeros(1,n);%權(quán)值學(xué)習(xí)增量初始化d_Wjk=zeros(n,M);d_Wij=zeros(N,n);28 d_a=zeros(1,n);d_b=zeros(1,n);%輸入輸出數(shù)據(jù)歸一化inputn,inputps=

29、mapminmax(input);outputn,outputps=mapminmax(output);inputn=inputn;outputn=outputn;%網(wǎng)絡(luò)訓(xùn)練for iii=1:100error(iii)=0;%循環(huán)訓(xùn)練for kk=1:2016x=inputn(kk,:);d=outputn(kk,:);y=0;for j=1:1:nfor k=1:1:Mnet(j)=net(j)+Wjk(j,k)*x(k);net_ab(j)=(net(j)-b(j)/a(j);endfor i=1:Ny=y+Wij(i,j)*mymorlet(net_ab(j); %小波函數(shù)end en

30、dfor i=1:Nerror(iii)=error(iii)+abs(d(i)-y(i);end%權(quán)值調(diào)整for j=1:n% 計算d_Wijfor i=1:Nd_Wij(i,j)=d_Wij(i,j)-(d(i)-y(i)*mymorlet(net_ab(j);end% 計算d_Wjk for k=1:1:M for i=1:Nd_Wjk(j,k)=d_Wjk(j,k)+ (d(i)-y(i) * Wij(i,j);endd_Wjk(j,k)=-d_Wjk(j,k)*d_mymorlet(net_ab(j)*x(k)/a(j);29end % 計算d_bfor i=1:Nd_b(j)=d_b(j)+(d(i)-y(i)*Wij(i,j);endd_b(j)=d_b(j)*d_mymorlet(net_ab(j)/a(j);% 計算d_afor i=1:Nd_a(j)=d_a(j)+(d(i)-y(i)*Wij(i,j);endd_a(j)=d_a(j)*d_mymorlet(net_ab(j)*(net(j)-b(j)/b(j)/a(j);